Page 128 - 《中国电力》2026年第5期

2026 年 第 59 卷

2）采用增量学习方式更新 GAN 参数，目标 温度 1.00 −0.07 −0.05 0.20 0.08 0.07 0.87 −0.09 −0.01 −0.01 −0.06 0.44 0.49 1.00
函数为 湿度 −0.07 1.00 0.39 0.07 0.27 0.23 −0.08 0.12 0.06 −0.00 0.01 −0.27 −0.03 0.75
风速 −0.05 0.39 1.00 0.17 0.16 0.36 −0.07 0.06 0.13 −0.00 0.06 −0.05 0.10
1 ∑ 0.50
minmaxV t (D,G) = logD(x)+ 降雨量 0.20 0.07 0.17 1.00 0.12 0.20 0.18 0.07 0.21 −0.03 0.15 0.08 0.20

G D D t 光照强度 0.08 0.27 0.16 0.12 1.00 0.22 0.12 0.26 −0.10 −0.20 −0.17 0.01 0.20

GAN x∈D t 0.25
GAN 压强 0.07 0.23 0.36 0.20 0.22 1.00 0.10 −0.05 0.09 −0.15 0.02 −0.02 0.07
E z∼p z (z) [log(1− D(G(z)))] （29） 特征分类 水汽压 0.87 −0.08 −0.07 0.18 0.12 0.10 1.00 −0.10 0.04 −0.05 −0.00 0.59 0.55 0
t 小时 −0.09 0.12 0.06 0.07 0.26 −0.05 −0.10 1.00 0.20 0.12 0.19 −0.01 0.61

式 中 ： V t (D,G)为 t 个 月 的 对 抗 损 失 ； D GAN 为 第 星期几 −0.01 0.06 0.13 0.21 −0.10 0.09 0.04 0.20 1.00 0.06 0.97 0.03 0.27 −0.25

t 个月训练集的样本总数。 节假日 −0.01 −0.00 −0.00 −0.03 −0.20 −0.15 −0.05 0.12 0.06 1.00 0.05 −0.04 0.24 −0.50
工作日 −0.06 0.01 0.06 0.15 −0.17 0.02 −0.00 0.19 0.97 0.05 1.00 0.03 0.23
3）采用“热启动”增量训练，保留前一月 季节 0.44 −0.27 −0.05 0.08 0.01 −0.02 0.59 −0.01 0.03 −0.04 0.03 1.00 0.69 −0.75
GAN 的参数 θ ( t−1 ,θ t−1 ) 作为初始化，基于 D t 进 电负荷 0.49 −0.03 0.10 0.20 0.20 0.07 0.55 0.61 0.27 0.24 0.23 0.69 1.00 −1.00
D G GAN
行训练，更新公式为 温度 湿度 风速 降雨量 光照强度 压强 水汽压 小时 星期几 节假日 工作日 季节 电负荷
t
θ ← θ t−1 +η D ∇θ D V t (D,G) （30）
D D 特征分类
a) 特征相关性分析结果
t
θ ← θ t−1 +η G ∇θ G V t (D,G) （31）
G G 季节 30.99
式中：η 、η 分别为生成器、判别器的学习率。 小时 12.90 30.04
G
D
温度

节假日 8.07
水汽压 2.96
特征分类 工作日 2.52
3 实验与结果分析 星期几 2.69
风速 2.02
3.1 实验环境 光照强度 1.50
压强 0.81
本实验的编程语言选择 Python3.9.13 版本，操 湿度 0.58
降雨量 0.30
作系统为 Win10，CPU 型号为 AMD Ryzen 5 5600G
0 5 10 15 20 25 30 35
with Radeon Graphics 六核，显卡型号为 AMD Radeon SHAP值 (对模型输出的影响)
Graphics 4 GB， 实 验 的 运 行 环 境 为 pandas=2.0.3、 b) 特征重要性分析结果
numpy=1.24.3、 tensorflow=2.13.0、 keras=2.13.1、 xg- 图 2 SHAP 分析结果
boost=2.1.4、matplotlib=3.7.2、scikit-learn=1.3.1。 Fig. 2 SHAP analysis results

3.2 数据预处理 从图 2 b) 的 SHAP 特征重要性分析可知，压

3.2.1 数据集概况 强 、 湿 度 、 降 雨 量 的 SHAP 值 均 值 分 别 为 0.81、
本文使用的数据集来源于西北某沙漠地区新 0.58、0.30，均低于 1 的筛选阈值，表明这些特征
能源基地 2023 年 1 月 1 日至 2023 年 12 月 31 日负 对模型输出的影响较弱。结合图 2 a) 的相关性热
荷数据，每 15 min 取一次数据，共 35 040 条数据。 图进一步分析，压强、湿度、降雨量与电负荷的
数据集包括电负荷/MW、温度/℃、湿度/%、风速/ 相关性系数分别为 0.07、–0.03、0.20，其绝对值
(m/s)、降雨量/mm、光照强度/lux、压强/kPa、水 均未超过 0.20 的弱关联阈值，说明它们与负荷的
汽压/hPa、小时/（0~23）、星期几/（1~7）、节 线性关联程度较低。
假日/（0/1）、工作日/（0/1）、季节/（1~4）。 综合上述 2 项标准，压强、湿度、降雨量被

3.2.2 特征筛选 确定为剔除特征。其余特征的 SHAP 值均值均大
影响电力负荷的因素有很多，但是并非所有 于 1， 或 者 与 电 负 荷 的 相 关 性 系 数 绝 对 值 超 过
因素都对负荷影响显著，因此，在构建负荷预测 0.20，表明其对负荷预测具有显著影响，故保留
模型前，须对影响因素进行科学筛选。本文基于 作为模型输入特征。筛选后的负荷预测特征体系
SHAP 值特征相关性热图与特征重要性图，采用 如表 1 所示。
以下筛选标准：1）SHAP 值均值低于 1 的特征视 为验证特征筛选的有效性，通过对比实验评
为低影响特征；2）与电负荷的相关性系数绝对 估 剔 除 特 征 对 模 型 性 能 的 影 响 ： 以 完 整 特 征 集
值低于 0.2 的特征视为弱关联特征。相关结果如 （ 包 含 所 有 13 项 原 始 特 征 ） 和 筛 选 后 特 征 集
图 2 所示。 （8 项保留特征）分别训练 DW-MoE 模型，对比

124